Compétences dbt-transformation-patterns
📦

dbt-transformation-patterns

Sûr

Produktionsreife dbt-Datentransformations-Pipelines erstellen

Également disponible depuis: wshobson

Analyseteams haben Schwierigkeiten mit inkonsistenten Datenmodellen und schlechter Dokumentation. Diese Fähigkeit bietet bewährte Muster für die Organisation von dbt-Projekten mit angemessenem Testing, Dokumentation und inkrementeller Verarbeitung.

Prend en charge: Claude Codex Code(CC)
🥉 74 Bronze
1

Télécharger le ZIP du skill

2

Importer dans Claude

Allez dans Paramètres → Capacités → Skills → Importer un skill

3

Activez et commencez à utiliser

Tester

Utilisation de "dbt-transformation-patterns". Erstellen Sie ein Staging-Modell für die Stripe-Payments-Source

Résultat attendu:

  • Source-Definition-YAML mit Payments-Tabellenschema und Tests
  • stg_stripe__payments.sql mit CTE-basierter Transformation
  • Spaltenumbenennung nach Namenskonventionen (id zu payment_id, Betrag in Cent zu Dollar)
  • Inkrementelle Konfiguration mit unique_key und updated_at-Filter

Utilisation de "dbt-transformation-patterns". Eine Kundendimension mit Payment-Metriken erstellen

Résultat attendu:

  • dim_customers.sql, das Kunden- und Payment-Intermediate-Modelle verknüpft
  • Surrogate-Key-Generierung mit dbt_utils
  • Kunden-Tier-Segmentierungslogik basierend auf Lifetime Value
  • YAML-Dokumentation mit Spaltenbeschreibungen und Tests

Audit de sécurité

Sûr
v1 • 2/24/2026

This skill is safe for publication. Static analysis detected 70 patterns that are all false positives - the flagged content consists of SQL/YAML code examples in markdown documentation, not executable code. The skill provides reference patterns for dbt (data build tool) analytics engineering workflows.

2
Fichiers analysés
585
Lignes analysées
0
résultats
1
Total des audits
Aucun problème de sécurité trouvé
Audité par: claude

Score de qualité

38
Architecture
100
Maintenabilité
87
Contenu
50
Communauté
100
Sécurité
91
Conformité aux spécifications

Ce que vous pouvez construire

Analytics Engineer erstellt Transformations-Pipelines

Richten Sie ein neues dbt-Projekt mit korrekter Modellorganisation, Testing und Dokumentation von Anfang an ein.

Datenteam verbessert Modellqualität

Fügen Sie umfassendes Testing, Dokumentation und Freshness-Monitoring zu bestehenden dbt-Modellen hinzu.

Engineering-Team optimiert inkrementelle Ladeprozesse

Implementieren Sie effiziente inkrementelle Strategien für große Faktentabellen, um Rechenkosten zu reduzieren.

Essayez ces prompts

Ein Staging-Modell erstellen 
Erstellen Sie ein dbt-Staging-Modell für die Tabelle [table_name] von [source_name]. Fügen Sie Source-Definition mit Spaltenbeschreibungen, ein Staging-SQL-Modell mit korrekten Umbenennungskonventionen und grundlegende Tests für Primary Key und Not-Null-Einschränkungen hinzu.
Eine inkrementelle Faktentabelle erstellen 
Erstellen Sie eine inkrementelle dbt-Faktentabelle namens fct_[name], die [business_process] verfolgt. Konfigurieren Sie sie für inkrementelle Materialisierung mit [strategy], definieren Sie die unique_key und fügen Sie die inkrementelle Filterlogik mit is_incremental() hinzu.
Tests und Dokumentation hinzufügen 
Überprüfen Sie dieses dbt-Modell-SQL und generieren Sie die entsprechende YAML-Dokumentationsdatei. Fügen Sie Modellbeschreibung, Spaltenbeschreibungen und geeignete Tests (unique, not_null, relationships, accepted_values) basierend auf den vorhandenen Spalten hinzu.
Eine komplette Modellschicht entwerfen 
Entwerfen Sie eine dbt-Modellstruktur für einen [domain]-Analytics-Workflow. Definieren Sie die benötigten Staging-Modelle für [sources], Intermediate-Modelle für Geschäftslogik und Mart-Modelle (Dimensionen und Fakten) für die finale Ausgabe. Fügen Sie Namenskonventionen und Materialisierungsstrategien für jede Schicht hinzu.

Bonnes pratiques

  • Verwenden Sie die Staging-Schicht für alle Source-Daten - einmal bereinigen, überall wiederverwenden
  • Testen Sie aggressiv mit not_null-, unique- und relationship-Tests auf allen Keys
  • Dokumentieren Sie jedes Modell und jede Spalte mit Business-Kontext für Downstream-Nutzer

Éviter

  • Das Überspringen der Staging-Schicht und direkte Abfrage von Sources in Marts erzeugt technische Schulden
  • Hardcodieren von Datumsangaben oder Werten statt Verwendung von dbt-Variablen für Konfiguration
  • Wiederholung von Geschäftslogik über Modelle hinweg statt Extraktion in wiederverwendbare Makros

Foire aux questions

Was ist die Medallion-Architektur in dbt?
Die Medallion-Architektur organisiert Modelle in Schichten: Staging (Bereinigung von Rohdaten), Intermediate (Geschäftslogik) und Marts (finale Analysetabellen). Diese Trennung sorgt dafür, dass Daten konsistent durch Ihre Pipeline fließen.
Wann sollte ich inkrementelle Materialisierung verwenden?
Verwenden Sie inkrementelle Modelle für Tabellen mit mehr als 1 Million Zeilen oder wenn Source-Daten kontinuierlich wachsen. Inkrementelle Modelle verarbeiten nur neue oder geänderte Datensätze und reduzieren Rechenzeit und Kosten erheblich.
Welche Tests sollte ich meinen Modellen hinzufügen?
Fügen Sie not_null- und unique-Tests bei allen Primary Keys hinzu, relationship-Tests bei Foreign Keys, not_null bei erforderlichen Spalten und accepted_values bei Status- oder Typ-Spalten. Verwenden Sie dbt_utils.expression_is_true für benutzerdefinierte Validierungen.
Wie wähle ich zwischen delete+insert und merge inkrementellen Strategien?
Verwenden Sie delete+insert für die meisten Warehouses als Standard. Verwenden Sie merge, wenn Sie bestehende Datensätze mit spät eintreffenden Daten aktualisieren müssen. Verwenden Sie insert_overwrite für partitionierungsbasierte Workflows auf BigQuery oder ähnlichen Systemen.
Was ist der Zweck von ephemeralen Modellen?
Ephemeral-Modelle sind Intermediate-CTEs, die nicht als Tabellen materialisiert werden. Verwenden Sie sie für wiederverwendbare Logik, auf die immer von anderen Modellen verwiesen wird, um die Anzahl der Tabellen in Ihrem Warehouse zu reduzieren.
Wie dokumentiere ich mein dbt-Projekt effektiv?
Fügen Sie Beschreibungen für jedes Modell und jede Spalte in YAML-Dateien hinzu. Verwenden Sie das description-Feld, um Geschäftslogik, Datenquellen und erwartete Werte zu erklären. Generieren Sie dbt-Dokumentation und stellen Sie sie Ihrem Team zur Verfügung.

Détails du développeur

Auteur

sickn33

Licence

MIT

Dépôt

https://github.com/sickn33/antigravity-awesome-skills/tree/main/skills/dbt-transformation-patterns

Réf

main

Structure de fichiers

📁 resources/

📄 implementation-playbook.md

📄 SKILL.md